继续请教问题:关于 Pytorch 的 Autograd

雷达

# \8 N- A! `9 K为预防老年痴呆，时不时学点新东东玩一玩。
8 l8 w+ \2 @  W/ |$ j: YPytorch 下面的代码做最简单的一元线性回归：
----------------------------------------------
import torch
import numpy as np
9 N# z) ^& R; a+ M+ h* Z4 Bimport matplotlib.pyplot as plt
import random

8 ]6 i6 P- D; S2 E" n# Rx = torch.tensor(np.arange(1,100,1))
y = (x*27+15+random.randint(-2,3)).reshape(-1)  # y=wx+b, 真实的w0 =27, b0=15

% [" R" D$ I& x# s; ow = torch.tensor(0.,requires_grad=True)  #设置随机初始 w,b
b = torch.tensor(0.,requires_grad=True)

epochs = 100

losses = []
' {! z5 |2 Y9 l1 d  f4 ~for i in range(epochs):
  y_pred = (x*w+b)    # 预测
6 I8 ~5 e7 i9 W% Z( l( O2 |  y_pred.reshape(-1)

5 N! W+ X* J* a) z& D/ b  loss = torch.square(y_pred - y).mean()   #计算 loss
  losses.append(loss)
  
  loss.backward() # autograd
  with torch.no_grad():
, ^. ?* D6 W. m  t! k. l    w  -= w.grad*0.0001   # 回归 w
    b  -= b.grad*0.0001    # 回归 b
6 U- a: \4 f: D! z7 W( J  w.grad.zero_()  
) K& I! }# S4 `6 e# @3 E  b.grad.zero_()
8 y0 W. T  V! H6 D7 n% A
1 b7 Q  ?% o0 A) s3 I) nprint(w.item(),b.item()) #结果
9 p" B7 Y4 o! s& V6 Y( A
Output： 27.26387596130371  0.4974517822265625
* P0 O0 L4 V$ j5 G----------------------------------------------
最后的结果，w可以回到 w0 = 27 附近，b却回不去 b0=15。两处红字，损失函数是矢量计算后的均值，感觉 b 的回归表达有问题。
( x$ E3 T! W* R0 a2 b' D& o$ x高手们帮看看是神马原因？
' z% i3 ^; l/ [% e! G  w7 D3 D

老福

没有用过pytorch，但你把随机噪音部分改成均值为0的正态分布再试试看是不是符合预期？
-------
不好意思，再看一遍，好像你在自算回归而不是用现成的工具直接出结果，上面的评论只有一点用，就是确认是不是算法有问题。
2 c# Z. ^* K* u8 N-------
算法诊断部分，建议把循环次数改为1000, 再看看loss是不是收敛。有点怀疑你循环次数不够，因为你起点是0, 步长很小。只是直观建议。

雷达

老福 发表于 2023-2-14 19:23
没有用过pytorch，但你把随机噪音部分改成均值为0的正态分布再试试看是不是符合预期？
-------
. {3 \: C8 o+ J, H3 {% @1 s! s不好意思， ...

3 \8 A" ?* r7 @; x谢谢，算法应该没问题，就是最简单的线性回归。
我特意没有用现成的工具，就是想从最基本的地方深入理解一下。

老福

% f# ^# k, K3 j5 h" Q% |

雷达 发表于 2023-2-14 21:52
谢谢，算法应该没问题，就是最简单的线性回归。
我特意没有用现成的工具，就是想从最基本的地方深入理解 ...

刚才更新了一下，建议增加循环次数或调一下步长，查一下loss曲线。

或者把b但的起点改为1试试。

雷达

. ^0 ]% K# g$ |3 Z8 ^3 P* C

老福 发表于 2023-2-14 22:00
刚才更新了一下，建议增加循环次数或调一下步长，查一下loss曲线。
9 K/ W% T  w$ q2 o! A
3 D2 l4 W6 F( r$ j或者把b但的起点改为1试试。 ...

你是对的。
/ p0 n4 {1 r) c0 V/ E' z2 X% w去掉了随机部分
#y = (x*27+15+random.randint(-2,3)).reshape(-1)
6 v' d" k! i1 r: q8 ?" gy = (x*27+15).reshape(-1)

循环次数加成10倍，就看到 b 收敛了
w , b
27.002620697021484 14.826167106628418

0 [5 B- [: U2 T% {( r+ G8 U* v# b和 b 的起始位置无关，但 labeled data 用 y = (x*27+15+random.randint(-2,3)).reshape(-1) ，收敛就很慢。